随着激光扫描技术、计算机技术的快速发展,三维激光扫描仪可在短时间内获取大量高精度的三维点云模型,然而这些高精度的点云模型中包含了大量冗余数据,极大影响三维曲面建模以及特征判断。特征点是最基本的曲面几何形状的特征基元,同时也是精简后数据在模型重构中的关键数据点,特征提取的优劣直接影响后续模型的形状表达和匹配的准确性。本文以点云模型为研究对象,重点研究了散乱点云数据基于法矢的特征提取方法,并将特征保留应用于数据精简,旨在提高精简后模型重建的质量。主要研究内容和结论如下:(1)三维点云数据的邻域主要包括k邻域、Voronoi邻域和BSP邻域,k邻域计算需依据点云模型、点云密度以及均匀度来判断,因此本文在数据处理时选用更为可靠的k邻域。为了便于邻域构建,首先需要建立点云数据拓扑关系,论文分析了三种常见建立点云数据拓扑关系的方法,并研究了效率较高的八叉树法在构建k邻域时的具体步骤。(2)传统的基于局部曲面拟合法在法矢解算时,对邻域大小有较强的敏感性,并且法矢估算不准确,导致在用法矢信息提取特征点时存在误判。针对此问题,论文研究了一种基于移动最小二乘拟合局部曲面的法矢估算法。该方法首先在构建k邻域的基础上,用移动最小二乘拟合局部曲面;然后基于拟合的局部曲面估算点云法矢,并统一法矢方向;最后将采样点与k邻域法矢夹角余弦平均值作为特征权值,通过特征权值与设定阈值大小的对比,提取出点云数据中的特征点。通过实验表明,在模型合适的邻域选取范围之内,本文方法在法矢解算时受邻域点影响较小,与传统方法相比,精度更高,鲁棒性更强。(3)现有的精简方法在处理曲面变化较大的点云模型时,不易保存原有数据特征,导致重构后的模型与原始模型偏差较大。针对此问题,本文通过分析研究几种常用方法,提出了一种特征保留的数据精简法。该方法先确定原始数据中的特征点,并作为核心点保存不变;然后用包围盒重心压缩算法在非特征区建立包围盒,精简相应比例的数据;最后输出提取的特征点与包围盒重心压缩法精简后的非特征点集。通过实验表明,经过本方法精简后的点云数据在实现精简的同时保留了原始特征点,对比不同精简方法重构模型以及模型标准偏差,表明本文方法在数据精简时,相比传统方法具有一定的优势。